脑龄预测的「多宇宙」：84 条流水线告诉你，方法和图谱选择能把误差从 5.26 岁推到 18.30 岁

脑龄（brain age）是一个诱人的指标：把 MRI 数据喂进模型，输出一个数字，理论上它应该比实际年龄更贴近「大脑的真实健康状况」。如果真是这样，它就是神经退行性疾病的早期预警器、疗效评估尺、辅助诊断工具——这些应用场景在文献里被反复提及。

但这里有一个被系统性忽略的前提：脑龄是一个「预测出来的量」，而不是一个「测出来的量」。它在数值上完全依赖一连串分析选择——用什么影像模态、用哪套偏倚校正、拿哪张脑图谱切分、拿多少特征去预测。这些选择中的任何一个，都可能比研究假设本身更能左右最终数字。

10 月中旬一篇 44 页的预印本（荷兰 Tilburg 大学 De Baene 组）用一种called「多宇宙分析（multiverse analysis）」的统计学策略，把这个被隐藏的选择空间彻底摊开了。

所谓多宇宙分析，就是承认「分析流水线有无数种合理写法」，然后系统性地把所有合理写法都跑一遍，看结论在其中哪些变体下依然成立。这是心理学方法学近十年成熟起来的手法——它不问「哪个方法对」，而问「我的结论有多不依赖方法的选择」。本文把它搬到了脑龄预测上。

来龙去脉：脑龄领域的一个隐性危机

理解这项工作的位置，需要看清脑龄方法学在最近几年的走向。

脑龄概念本身很旧，但它的复兴是近十年的事。最早的工作可以追到 1990 年代，最初用 MRI 形态学（皮层厚度、沟回宽度）做模式识别式年龄分类。2018 年 Cole 团队在 NeuroImage 提出用「脑龄差（brain age gap, BAG）」——预测脑龄减实际年龄——作为衰老指标，这一步很关键，因为 BAG 才是可以直接和疾病、认知、预后挂钩的量。此后功能连接、扩散张量白质完整性、多模态融合纷纷进场，脑龄文献呈爆发式增长。

但同期冒出了两个技术问题。

第一个是偏倚校正问题。脑龄预测存在系统性的年龄偏差：年轻样本上模型倾向于预测偏老，年长样本上倾向于预测偏年轻。Cole 与 Zhang(Beheshti) 是两套主流的校正方案，前者对预测值做线性重缩放，后者做基于样本的校正。这两套方案本身会显著改变 MAE，但学术界对此长期缺乏系统比较——论文通常只挑一套用，从不解释为什么。

第二个是图谱选择问题。把大脑切成 100 多个区域，用哪张图谱（Brainnetome、Gordon、HCP MMP1.0，粒度差别很大）决定了「哪些边（edge）」存在、哪些特征能被提取。Bryce 等人 2021 年专门讨论过这个问题在神经影像里的普遍性。同样地，脑龄论文通常只报一张图谱的结果，读者无从判断结论是否成立。

作者在引言里把这两点串成一句话：脑龄文献之所以难以复现、难以比较，很大程度是因为方法学的自由度从未被系统暴露。

怎么做的：84 条流水线 × 560 名健康成人

数据用CamCAN（剑桥老龄化与神经科学中心）的 Phase 2 Arm 1，样本覆盖 18.6–89 岁，同时具备 3D T1 结构像、扩散加权像（DWI）和静息态 fMRI 三套数据。最终保留 560 名完整数据的健康成人，平均年龄 53.6 岁（SD 18.5），女性占 48.9%，受教育年限中位数 14.9 年（分布偏高）。预处理用 CONN＋SPM12（功能）与 MRtrix3（扩散）两套标准流程。

然后系统性组合三个因子，构成 84 个实验条件：

• 模态（4）：结构连接 SC、功能连接 FC、两者拼接（FC+SC）、以及结构功能耦合 SFC（逐区域计算 SC 与 FC 的耦合值）
• 偏倚校正（7）：不校正、Cole、Cole+Zhang、Niu+Zhang+Cole、Beheshti、Zhang+Beheshti、Niu+Zhang+Beheshti
• 图谱（3）：Brainnetome、Gordon、HCP MMP1.0

预测器统一用 Elastic Net 回归，评价指标是 MAE（平均绝对误差）与解释方差。统计分析用按被试随机截距的多层模型测试各因子与交互，再用 Benjamini–Hochberg 校正多重比较。跨图谱一致性用 SuperExactTest 计算折叠富集（FE＝观测重叠／随机期望）。

核心结果一：MAE 跨度 5.26–18.30 岁，差三倍半

84 个条件下，MAE 从 5.26 岁到 18.30 岁，均值 8.39（SD 3.12）；解释方差 44.97%–90.90%，均值 77.1%。最好的一组是 Niu-Zhang-Beheshti 校正＋Gordon 图谱＋结构功能拼接（MAE 5.26，RMSE 6.58，解释方差 90.08%）。

多层模型的结果很清楚：

• 模态主效应显著：F = 224.15，p(BH) < .001，η² = .070
• 校正方法主效应显著：F = 130.84，p(BH) < .001，η² = .080
• 图谱主效应不显著：F = 0.05，p(BH) = .992
• 模态 × 校正交互显著（η² = .030，是三项交互里最大的）；模态 × 图谱交互虽显著但 η² 仅 .004（可忽略）
• 模型 ICC = .208，即 20.8% 的误差方差来自被试间差异

值得注意的一点：作者指出多数条件其实落在 MAE 5–8 岁区间，那个 5.26–18.30 的宽跨度主要由少数表现很差的流水线拉出来。换句话说，这不是「所有方法都差不多」，而是「大部分方法不错，但方法选错了会很糟」。

核心结果二：功能连接几乎没带来额外信息，耦合反而最差

这条结论与「多模态融合更强」的直觉相反，值得展开。

拼接（SC+FC）在任何校正条件下都与 SC 单独无显著差异（所有 p > .470），但在大多数校正条件下优于 FC 单独。结构功能耦合 SFC 在所有校正条件下都显著差于拼接（所有 p < .01，Beheshti-only 条件 p = .014）。

作者排除了一个显而易见的反驳：会不会只是因为 SFC 特征数少？SFC 特征数是 246–360，拼接是 60 270–129 240，差两三个数量级。为此他们做了一项 探索性分析：从拼接数据集里随机抽取特征子集，规模从「等于该图谱 SFC 特征数」开始逐次翻倍，每个规模重复 50 次。

结果是分图谱而异：HCP MMP1 与 Brainnetome 下，拼接在特征数与 SFC 相等时就已经优于 SFC；但 Gordon 图谱下，拼接在相等特征数时劣于 SFC，要到 SFC 的两倍特征数才开始反超。这说明差异确实来自信息内容的表示方式，不纯粹是特征数量问题。

作者的机制推测是：FC 携带的年龄信息与 SC 高度重叠，本身信号更弱，因此增量价值有限；SFC 这种表示可能丢弃了预测信息或引入了额外变异，且区域级耦合本身未必是年龄的稳定标志。

核心结果三：校正方法「加得越多越好」是错觉

三个校正假设分两层。

假设一失败：校正步数增加不产生单调改善。不校正 vs 一步校正无显著差异（所有 p > .374），两步 vs 一步、三步 vs 两步同样（所有 p > .374）。作者的解读很到位：偏倚校正的设计目的是减少系统性年龄偏差估计，而不是直接最小化预测误差——把偏差压下去不等于把误差压下去。

假设二成立：Beheshti 系校正全条件一致优于 Cole 系校正（所有 p < .001）。作者的解释是Cole 的重缩放会把噪声一起放大，而 Beheshti 不会。对以健康样本预测精度为首要目标的研究者，Beheshti 系是更合适的选择。

核心结果四：图谱不影响「准不准」，但决定「哪些连接重要」

这是本文最有意思、也最容易被忽略的一条。

图谱不影响精度：主效应 F = 0.05，p = .992。「图谱越细越好」的假设也未获支持——没有观察到更细粒度带来更低 MAE的模式。唯一的例外是 SFC 条件下 Brainnetome 的 MAE 显著高于 Gordon，FC 条件下 Gordon 显著高于 Brainnetome 和 HCP MMP1，但整体效应量可忽略。

但跨图谱的「重要连接」几乎不重叠。作者把三个图谱的边都重新映射到 Yeo-7 网络，取每种条件下的 top-10 特征边做跨图谱重叠分析。结果：

• SC 与拼接模型：所有两两比较与三重比较的 FE 全部小于 1（0–0.9），即重叠低于随机期望水平
• 仅 FC 模型：FE 超过 1。Gordon 与 HCP MMP1 之间 FE = 2.7（期望 1.5，观测 4，p = .024），涉及 Default-Limbic、Default-Somatomotor、Default-Visual、VentralAttention-VentralAttention；三重重叠只共享一条 Default-Limbic 边（期望 0.33，FE = 3.0，但 p = .297 不显著）

所以结论是：图谱选择对「预测得多准」影响很小，但对「哪些区域/网络被认定为预测主力」影响很大，且这种影响是图谱特异的。另一项探索性分析显示，特征重要性并不集中于少数几条边，而是分散在大量特征上——这本身也削弱了「找到关键连接」的叙事基础。

作者自己承认的局限

• 样本单一：只用 CamCAN 一个队列、一个扫描仪（3T Siemens TIM）、一个预处理方案（CONN＋SPM12＋MRtrix3）。84 个条件的「多宇宙」覆盖的是分析选择空间，没有覆盖数据来源空间。
• 只测精度维度：只评估 MAE／R²，没有评估「BAG 与疾病、认知、预后的关联强度」——而后者才是脑龄作为生物标志物的核心论据。换句话说，本文检验的是工具的测量学效度，不是其临床效度。
• 耦合劣势的机制未直接检验：作者明确说「FC 为何额外信息有限」的具体原因未被直接研究，只是推测。
• 重叠分析的检验假设被违反：作者主动指出 SuperExactTest 假设元素间独立，而 top-ranked 连接很可能存在依赖关系，因此他们重点看 FE 指标而非检验本身。这是诚实但也意味着 FE 值本身也可能受影响。
• 探索性分析的不对等：作者明确交代，耦合基准用了「模型专属的交叉验证超参」，而拼接条件在 50 次重复中共用同一套交叉验证超参——这对 SFC 略微有利，也就是说拼接是在「调参劣势」下仍然胜出的。
• 粒度假设未按正交设计：三个图谱的粒度差异（Brainnetome < Gordon < HCP MMP1）与其网络划分定义并非正交，「粒度」与「划分方式」两个因素混在一起。

我补上的四条局限

• 没有基准对照：论文把自己与「已发表健康样本基准」（MAE 4.3–13.5、r = 0.43–0.97）并列比较，但这些基准来自不同数据集、不同预处理、不同划分，无法作为严格对照。更关键的是没做嵌套交叉验证或独立外部队列验证——所有 84 个条件都在同一批 560 人内部评估，超参数优化的乐观偏差未被完全隔离。
• 「健康样本」是最容易出问题的场景：脑龄模型最难的判别任务是正常老化 vs 病理老化，而本文只测了健康内部的年龄回归，且年龄跨度大（18.6–89）本身给模型留了太多可拟合的方差。MAE 5.26 岁里有多少来自「识别了年龄」而非「识别了脑健康」，本文无法回答——这恰恰是脑龄作为生物标志物最需要跨过的坎。
• FE 小于 1 的解读需谨慎：作者把「SC/拼接的 FE < 1」读作「重叠低于随机」，方向上合理，但 FE < 1 的可能成因不止一种（图谱定义的系统差异、top-10 选取的边界效应、元素依赖导致的检验偏差）。要区分「图谱各自挑出了真不同的生物学重点」与「这套指标在 top-10 截断下本身就有系统性下偏」，需要一个置换检验的基准分布。
• 对干预研究的含义需谨慎外推：本文支持「多模态≠更好」，但这只在预测实际年龄这个任务上成立。若任务是「预测某种干预后的年龄加速逆转」，结构与功能信息的互补性可能反而显现——因为干预对功能连接的影响往往比对结构（白质完整性）更快。这与 Jirsaraie 等 2023 的观察一致：多模态在慢性脑疾病上更有优势，而功能单模态对表型更敏感。作者自己也承认多模态收益是「情境依赖」的。

这篇论文对衰老研究意味着什么

它的价值不在于「发现了什么」，而在于暴露了什么。

对脑龄方法学：这是把「分析自由度」从隐性变显性的标准做法。它给出的可执行结论有三条——健康样本追求精度选 Beheshti 系校正；不要默认上多模态；报告结果时必须说明图谱，否则「哪些区域最重要」的结论不可复现。

对衰老生物学：更微妙的一层是，跨图谱 FE < 1 意味着「哪些连接驱动脑龄预测」这个问题的答案，有相当一部分取决于你怎么切分大脑。这削弱了一类常见论证的底座——「我们发现某条通路驱动脑龄」如果换张图谱就不成立，那这条通路的角色至少部分是切分方式的产物。生物年龄方法学审查这条追踪主线（见站内 热词专题），本研究是又一块有分量的证据。

对「生物年龄」这个大概念：脑龄是生物年龄领域最「可计算」的一支，也因此方法学问题最集中。这篇论文的潜台词值得记住：在活到某岁这个维度上，大脑的影像特征能解释 45%–91% 的方差。这个数字很高，但它的解释上限恰恰由本文揭示的方法学自由度所界定——我们目前对脑的理解，还不足以把「预测得准」等同于「理解得对」。